Δανιήλ Ciolek, Διευθυντής Έρευνας και Ανάπτυξης στην InvGate – Σειρά Συνεντεύξεων

Ο Δανιήλ είναι ένας ενθουσιώδης επαγγελματίας της τεχνολογίας με πάνω από 15 χρόνια εμπειρίας στο χώρο. Έχει διδακτορικό τίτλο στη Επιστήμη των Υπολογιστών και μια μακρά καριέρα στην έρευνα τεχνολογίας. Τα ενδιαφέροντά του επικεντρώνονται σε πολλές περιοχές, όπως η Τεχνητή Νοημοσύνη, η Μηχανική Λογισμικού και η Υψηλή Απόδοση Υπολογιστών.

Ο Δανιήλ είναι ο Διευθυντής Έρευνας και Ανάπτυξης στην InvGate, όπου ηγείται των πρωτοβουλιών Έρευνας και Ανάπτυξης. Συνεργάζεται με τις ομάδες Προϊόντος και Επιχειρηματικής Ανάπτυξης για να σχεδιάσει, να εφαρμόσει και να παρακολουθήσει την στρατηγική Έρευνας και Ανάπτυξης της εταιρείας. Όταν δεν ερευνά, διδάσκει.

InvGate ενδυναμώνει τους οργανισμούς παρέχοντας τα εργαλεία για να παρέχουν αψεγάδιαστη εξυπηρέτηση σε όλα τα τμήματα, από την Τεχνολογία έως τις Υποδομές.

Πότε και πώς αρχίσατε να ενδιαφέρεστε για την επιστήμη των υπολογιστών;

Το ενδιαφέρον μου για την επιστήμη των υπολογιστών χρονολογείται από την πρώιμη παιδική μου ηλικία. Ήμουν πάντα 매γευμένος από τις ηλεκτρονικές συσκευές, συχνά αναζητώντας και προσπαθώντας να κατανοήσω πώς λειτουργούσαν. Όσο μεγάλωνα, αυτή η περιέργεια με οδήγησε στην κωδικοποίηση. Θυμάμαι ακόμη τη διασκέδαση που είχα γράφοντας τα πρώτα μου προγράμματα. Από εκείνη τη στιγμή, δεν υπήρχε αμφιβολία στο μυαλό μου ότι ήθελα να ακολουθήσω καριέρα στην επιστήμη των υπολογιστών.

Είστε τώρα στην ηγεσία των πρωτοβουλιών Έρευνας και Ανάπτυξης και εφαρμόζετε νέες γενετικές εφαρμογές Τεχνητής Νοημοσύνης. Μπορείτε να συζητήσετε κάποια από το έργο σας;

Απόλυτα. Στο τμήμα Έρευνας και Ανάπτυξης μας, αντιμετωπίζουμε σύνθετα προβλήματα που μπορεί να είναι δύσκολο να αναπαρασταθούν και να λυθούν αποτελεσματικά. Το έργο μας δεν περιορίζεται σε εφαρμογές γενετικής Τεχνητής Νοημοσύνης, αλλά οι πρόσφατες προόδους σε αυτόν τον τομέα έχουν δημιουργήσει πολλές ευκαιρίες που θέλουμε να εκμεταλλευτούμε.

Ένα από τα κύρια αντικείμενά μας στην InvGate έχει πάντα sido να βελτιώσουμε τη χρηστικότητα του λογισμικού μας. Κάνουμε αυτό παρακολουθώντας πώς χρησιμοποιείται, αναγνωρίζοντας τα σημεία瓶 και εργαζόμαστε μεθοδικά για να τα αφαιρέσουμε. Ένα τέτοιο σημείο που συχνά συναντάμε είναι σχετικά με την κατανόηση και τη χρήση της φυσικής γλώσσας. Αυτό ήταν ένα ιδιαίτερα δύσκολο ζήτημα να αντιμετωπίσουμε χωρίς τη χρήση Μεγάλων Μοντέλων Γλώσσας (LLMs).

Ωστόσο, με την πρόσφατη εμφάνιση οικονομικά αποδοτικών LLMs, είχαμε τη δυνατότητα να ροηματοποιήσουμε αυτές τις περιπτώσεις. Οι ικανότητές μας περιλαμβάνουν τώρα την παροχή συστάσεων γραπτής, την αυτόματη σύνταξη άρθρων γνώσεων και τη σύνοψη εκτενών κειμένων, μεταξύ πολλών άλλων γλωσσικών χαρακτηριστικών.

Στην InvGate, η ομάδα σας εφαρμόζει μια στρατηγική που ονομάζεται «αγνωστική Τεχνητή Νοημοσύνη». Μπορείτε να ορίσετε τι σημαίνει αυτό και γιατί είναι σημαντικό;

Η αγνωστική Τεχνητή Νοημοσύνη είναι ουσιαστικά για ευελιξία και προσαρμοστικότητα. Βασικά, πρόκειται για το να μην δεσμευτούμε σε ένα μόνο μοντέλο Τεχνητής Νοημοσύνης ή παρόχου. Αντίθετα, στοχεύουμε να διατηρήσουμε τις επιλογές μας ανοιχτές, εκμεταλλευόμενοι το καλύτερο που προσφέρει κάθε παρόχης Τεχνητής Νοημοσύνης, ενώ αποφεύγουμε τον κίνδυνο να εγκλειστούμε σε ένα σύστημα.

Μπορείτε να το σκεφτείτε έτσι: πρέπει να χρησιμοποιήσουμε το GPT της OpenAI, το Gemini της Google ή το Llama-2 της Meta για τις γενετικές μας εφαρμογές Τεχνητής Νοημοσύνης; Πρέπει να επιλέξουμε μια πληρωμή-ως-πας-παρέχεις υπηρεσία cloud, μια διαχειριζόμενη παρουσία ή μια αυτο-φιλοξενημένη εγκατάσταση; Αυτά δεν είναι τριβία αποφάσεις, και μπορεί ακόμη και να αλλάξουν με τον καιρό καθώς新的 μοντέλα κυκλοφορούν και νέοι παρόχοι εισέρχονται στην αγορά.

Η προσέγγιση της αγνωστικής Τεχνητής Νοημοσύνης εξασφαλίζει ότι το σύστημά μας είναι πάντα έτοιμο να προσαρμοστεί. Η υλοποίηση μας έχει τρία βασικά στοιχεία: μια διεπαφή, einen ροή και τα μοντέλα Τεχνητής Νοημοσύνης themselves. Η διεπαφή απομακρύνει τις λεπτομέρειες υλοποίησης του συστήματος Τεχνητής Νοημοσύνης, καθιστώντας εύκολη την αλληλεπίδραση με αυτό για άλλα τμήματα του λογισμικού μας. Ο ροή αποφασίζει πού να στείλει κάθε αίτηση με βάση διάφορα κριτήρια, όπως ο τύπος της αίτησης και οι ικανότητες των διαθέσιμων μοντέλων Τεχνητής Νοημοσύνης. Τέλος, τα μοντέλα εκτελούν τις πραγματικές εργασίες Τεχνητής Νοημοσύνης, οι οποίες μπορεί να απαιτούν προσαρμοσμένες διαδικασίες προεπεξεργασίας δεδομένων και μορφοποίησης αποτελεσμάτων.

Μπορείτε να περιγράψετε τις μεθοδολογικές πτυχές που οδηγούν τη διαδικασία λήψης αποφάσεων σας όταν επιλέγετε τα πιο κατάλληλα μοντέλα και παρόχους Τεχνητής Νοημοσύνης για συγκεκριμένες εργασίες;

Για κάθε νέα λειτουργία που αναπτύσσουμε, ξεκινάμε δημιουργώντας einen αξιολόγησης δείκτη. Αυτός ο δείκτης σχεδιάζεται για να αξιολογήσει την αποτελεσματικότητα διαφόρων μοντέλων Τεχνητής Νοημοσύνης στην επίλυση της εργασίας που μας απασχολεί. Αλλά δεν επικεντρωθούμε μόνο στην απόδοση, λαμβάνουμε επίσης υπόψη την ταχύτητα και το κόστος κάθε μοντέλου. Αυτό μας δίνει μια ολιστική άποψη της αξίας κάθε μοντέλου, επιτρέποντάς μας να επιλέξουμε την πιο αποδοτική επιλογή για την ανάθεση αιτημάτων.

Ωστόσο, η διαδικασία μας δεν σταματά εκεί. Στο γρήγορα εξελισσόμενο πεδίο της Τεχνητής Νοημοσύνης, νέα μοντέλα κυκλοφορούν συνεχώς και υπάρχοντα μοντέλα ενημερώνονται τακτικά. Έτσι, όποτε ένα νέο ή ενημερωμένο μοντέλο γίνεται διαθέσιμο, ξανατρέχουμε τον δείκτη αξιολόγησής μας. Αυτό μας επιτρέπει να συγκρίνουμε την απόδοση του νέου ή ενημερωμένου μοντέλου με εκείνη της τρέχουσας επιλογής μας. Nếu ένα νέο μοντέλο υπερέχει του τρέχοντος, τότε ενημερώνουμε τον ροή μας για να αντανακλούν αυτή την αλλαγή.

Ποια είναι κάποια από τα προκλήματα της αμαδιαίας μεταβάσεων μεταξύ διαφόρων μοντέλων και παρόχων Τεχνητής Νοημοσύνης;

Η αμαδιά μεταβαση μεταξύ διαφόρων μοντέλων και παρόχων Τεχνητής Νοημοσύνης προσφέρει ένα σύνολο μοναδικών προκλήματων.

Πρώτον, κάθε παρόχης Τεχνητής Νοημοσύνης απαιτεί εισαγωγές με συγκεκριμένο τρόπο, και τα μοντέλα Τεχνητής Νοημοσύνης μπορούν να αντιδράσουν διαφορετικά στις ίδιες αιτήσεις. Αυτό σημαίνει ότι πρέπει να βελτιστοποιήσουμε ξεχωριστά για κάθε μοντέλο, το οποίο μπορεί να είναι khá σύνθετο δεδομένης της ποικιλίας των επιλογών.

Δεύτερον, τα μοντέλα Τεχνητής Νοημοσύνης έχουν διαφορετικές ικανότητες. Για παράδειγμα, κάποια μοντέλα μπορούν να παράγουν έξοδο σε μορφή JSON, μια λειτουργία που αποδεικνύεται χρήσιμη σε πολλές από τις υλοποιήσεις μας. Άλλα μπορούν να επεξεργαστούν μεγάλες ποσότητες κειμένου, μας επιτρέποντας να χρησιμοποιήσουμε ένα πιο ολοκληρωμένο контекστ για ορισμένες εργασίες. Η διαχείριση αυτών των ικανοτήτων για να μεγιστοποιήσουμε το δυναμικό κάθε μοντέλου είναι ένα απαραίτητο μέρος του έργου μας.

Τέλος, πρέπει να διασφαλίσουμε ότι οι απαντήσεις που παράγονται από την Τεχνητή Νοημοσύνη είναι ασφαλείς για χρήση. Τα μοντέλα γενετικής Τεχνητής Νοημοσύνης μπορούν đôi khi να παράγουν «οπτασιακές» απαντήσεις, ή να παράγουν απαντήσεις που είναι ψευδείς, εκτός контекστου ή ακόμη και потенτικά επιβλαβείς. Για να μετριάσουμε αυτό, εφαρμόζουμε αυστηρές φίλτρα σα니ταρίων μετά την επεξεργασία για να ανιχνεύσουμε και να φιλτράρουμε ακατάλληλες απαντήσεις.

Πώς είναι σχεδιασμένη η διεπαφή εντός του συστήματος αγνωστικής Τεχνητής Νοημοσύνης σας για να εξασφαλίσει ότι απομακρύνει αποτελεσματικά τις сложότητες των υποκείμενων τεχνολογιών Τεχνητής Νοημοσύνης για φιλικές προς τον χρήστη αλληλεπιδράσεις;

Ο σχεδιασμός της διεπαφής μας είναι μια συνεργατική προσπάθεια μεταξύ των τμημάτων Έρευνας και Ανάπτυξης και μηχανικής. Εργαζόμαστε βάσει λειτουργίας προς λειτουργία, ορίζοντας τις απαιτήσεις και τα διαθέσιμα δεδομένα για κάθε λειτουργία. Στη συνέχεια, σχεδιάζουμε μια API που ενσωματώνεται άψογα με το προϊόν, εφαρμόζοντας την σε υπηρεσία Τεχνητής Νοημοσύνης. Αυτό επιτρέπει στις ομάδες μηχανικής να επικεντρωθούν στη λογική επιχειρήσεων, ενώ η υπηρεσία Τεχνητής Νοημοσύνης μας χειρίζεται τις сложότητες της αλληλεπίδρασης με διαφορετικούς παρόχους Τεχνητής Νοημοσύνης.

Αυτή η διαδικασία δεν βασίζεται σε πρωτοποριακή έρευνα, αλλά στην εφαρμογή αποδεδειγμένων πρακτικών μηχανικής λογισμικού.

Λαμβάνοντας υπόψη τις παγκόσμιες επιχειρηματικές δραστηριότητες, πώς αντιμετωπίζει η InvGate την πρόκληση της περιφερειακής διαθεσιμότητας και της συμμόρφωσης με τοπικούς κανονισμούς δεδομένων;

Η διασφάλιση της περιφερειακής διαθεσιμότητας και της συμμόρφωσης με τους τοπικούς κανονισμούς δεδομένων είναι ένα κρίσιμο μέρος των επιχειρηματικών δραστηριοτήτων μας στην InvGate. Επιλέγουμε προσεκτικά παρόχους Τεχνητής Νοημοσύνης που μπορούν να λειτουργήσουν σε κλίμακα και να τηρήσουν υψηλούς προδιαγραφές ασφαλείας και να συμμορφωθούν με τους τοπικούς κανονισμούς.

Για παράδειγμα, λαμβάνουμε υπόψη μόνο παρόχους που συμμορφώνονται με κανονισμούς όπως ο Γενικός Κανονισμός Προστασίας Δεδομένων (GDPR) στην ΕΕ. Αυτό μας επιτρέπει να αναπτύξουμε τις υπηρεσίες μας σε διαφορετικές περιοχές, με την εμπιστοσύνη ότι λειτουργούμε εντός του τοπικού νομικού πλαισίου.

Οι μεγάλες παρόχοι cloud όπως η AWS, η Azure και η Google Cloud ικανοποιούν αυτές τις απαιτήσεις και προσφέρουν eine ευρεία γκάμα λειτουργιών Τεχνητής Νοημοσύνης, καθιστώντας τους κατάλληλους συνεργάτες για τις παγκόσμιες επιχειρηματικές δραστηριότητές μας. Επιπλέον, παρακολουθούμε συνεχώς τις αλλαγές στους τοπικούς κανονισμούς δεδομένων για να διασφαλίσουμε τη συνεχιζόμενη συμμόρφωση, προσαρμόζοντας τις πρακτικές μας ανάλογα.

Πώς έχει εξελιχθεί η προσέγγιση της InvGate στην ανάπτυξη λύσεων Τεχνολογίας Πληροφοριών τα τελευταία δέκα χρόνια, ιδιαίτερα με την ενσωμάτωση της Γενετικής Τεχνητής Νοημοσύνης;

Τα τελευταία δέκα χρόνια, η προσέγγιση της InvGate στην ανάπτυξη λύσεων Τεχνολογίας Πληροφοριών έχει εξελιχθεί σημαντικά. Έχουμε επεκτείνει τη βάση μας με προηγμένες ικανότητες όπως αυτοματοποιημένες ροές εργασιών, ανακάλυψη συσκευών και Διαχείριση Βάσης Δεδομένων Konfiguration (CMDB). Αυτές οι λειτουργίες έχουν απλοποιήσει σημαντικά τις επιχειρηματικές δραστηριότητες για τους χρήστες μας.

Πρόσφατα, avons αρχίσει να ενσωματώνουμε τη Γενετική Τεχνητή Νοημοσύνη στα προϊόντα μας. Αυτό έχει γίνει δυνατό χάρη στις πρόσφατες προόδους στους παρόχους LLM, οι οποίοι έχουν αρχίσει να προσφέρουν οικονομικά αποδοτικές λύσεις. Η ενσωμάτωση της Γενετικής Τεχνητής Νοημοσύνης έχει μας επιτρέψει να ενισχύσουμε τα προϊόντα μας με Τεχνητή Νοημοσύνη, καθιστώντας τις λύσεις μας πιο αποτελεσματικές και φιλικές προς τον χρήστη.

Αν και είναι ακόμη νωρίς, προβλέπουμε ότι η Τεχνητή Νοημοσύνη θα γίνει ένα πανταχού παρόν εργαλείο στις επιχειρηματικές δραστηριότητες. Ως εκ τούτου, σκοπεύουμε να συνεχίσουμε να εξελίσσουμε τα προϊόντα μας με την περαιτέρω ενσωμάτωση τεχνολογιών Τεχνητής Νοημοσύνης.

Μπορείτε να εξηγήσετε πώς η γενετική Τεχνητή Νοημοσύνη εντός του Κέντρου Τεχνητής Νοημοσύνης μας βελτιώνει την ταχύτητα και την ποιότητα των απαντήσεων σε κοινές περιπτώσεις προβλημάτων Τεχνολογίας Πληροφοριών;

Η γενετική Τεχνητή Νοημοσύνη εντός του Κέντρου Τεχνητής Νοημοσύνης μας βελτιώνει σημαντικά τόσο την ταχύτητα όσο και την ποιότητα των απαντήσεων σε κοινές περιπτώσεις προβλημάτων Τεχνολογίας Πληροφοριών. Αυτό το επιτυγχάνει μέσω μιας πολλαπλής-βήματης διαδικασίας:

Αρχική Επικοινωνία: Όταν ένας χρήστης αντιμετωπίζει ένα πρόβλημα, μπορεί να ανοίξει μια συνομιλία με τον εικονικό μας πράκτορα (VA) και να περιγράψει το ζήτημα. Ο VA αναζητά αυτόματα μέσα από τη Βάση Γνώσεων (KB) της εταιρείας και μια δημόσια βάση δεδομένων οδηγών αντιμετώπισης προβλημάτων Τεχνολογίας Πληροφοριών, παρέχοντας οδηγίες με έναν συνομιλητικό τρόπο. Αυτό συχνά επιλύει το πρόβλημα γρήγορα και αποτελεσματικά.

Δημιουργία Εισιτηρίου: Αν το ζήτημα είναι πιο σύνθετο, ο VA μπορεί να δημιουργήσει ένα εισιτήριο, αυτόματα εξαγόμενο σχετικές πληροφορίες από τη συνομιλία.

Ανάθεση Εισιτηρίου: Το σύστημα αναθέτει το εισιτήριο σε einen υποστήριξης πράκτορα με βάση την κατηγορία του εισιτηρίου, την προτεραιότητα και την εμπειρία του πράκτορα με παρόμοια ζητήματα.

Αλληλεπίδραση Πράκτορα: Ο πράκτορας μπορεί να επικοινωνήσει με τον χρήστη για επιπλέον πληροφορίες ή για να ενημερώσει ότι το ζήτημα έχει επιλυθεί. Η αλληλεπίδραση αυτή ενισχύεται με Τεχνητή Νοημοσύνη, παρέχοντας συστάσεις γραπτής για να βελτιώσει την επικοινωνία.

Εξέλιξη: Αν το ζήτημα απαιτεί εξέλιξη, αυτόματες λειτουργίες σύνοψης βοηθούν τους διαχειριστές να κατανοήσουν γρήγορα το πρόβλημα.

Πост-Μορτολογική Ανάλυση: Μετά το κλείσιμο του εισιτηρίου, η Τεχνητή Νοημοσύνη thựcίζει μια ανάλυση αιτίας, βοηθώντας στην пост-μορτολογική ανάλυση και αναφορές. Ο πράκτορας μπορεί επίσης να χρησιμοποιήσει την Τεχνητή Νοημοσύνη για να συντάξει ένα άρθρο βάσης γνώσεων, διευκολύνοντας την επίλυση παρόμοιων ζητημάτων στο μέλλον.

Αν και έχουμε ήδη εφαρμόσει πολλές από αυτές τις λειτουργίες, συνεχίζουμε να εργαζόμαστε για περαιτέρω βελτιώσεις.

Με τις επερχόμενες λειτουργίες όπως ο έξυπνος Εικονικός Πράκτορας του MS Teams, ποια είναι οι αναμενόμενες βελτιώσεις στις εμπειρίες υποστήριξης συνομιλίας;

Μια υποσχόμενη πορεία προς τα εμπρός είναι να επεκτείνουμε την εμπειρία συνομιλίας σε ένα «συν-πιλότο», όχι μόνο ικανό να απαντά σε ερωτήσεις και να thựcεί απλές ενέργειες, αλλά και να thựcεί πιο σύνθετες ενέργειες για λογαριασμό των χρηστών. Αυτό θα μπορούσε να είναι χρήσιμο για να βελτιώσει τις ικανότητες αυτο-υπηρεσίας των χρηστών, καθώς και να παρέχει πρόσθετα ισχυρά εργαλεία στους πράκτορες. Τελικά, αυτές οι ισχυρές διεπαφές συνομιλίας θα κάνουν την Τεχνητή Νοημοσύνη ένα πανταχού παρόν σύντροφο.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν InvGate.